torch.normal(means, std, out=None)
- 返回满足正态分布的张量
means和std分别给出均值和标准差
torch.rand(*sizes, out=None) → Tensor
- 均匀分布：返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义
torch.randn(*sizes, out=None) → Tensor
- 标准正态分布：返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义
torch.squeeze(a,N)
- 对数据的维度进行压缩，去掉指定个维数为1的维度，注意：如果不加第二个参数’N’，就是去掉所有维数为1的维度
- 另一种形式，
a.squeeze(N)也是去掉a中指定的维数为一的维度，去掉的维度数为N
torch.unsqueeze()
- 对数据维度进行扩充。给指定位置加上维数为1的维度,同样有另外一种形式
a.squeeze(N) - 注意！当对神经网络的输入层的特征数据提前处理时，可能需要使用该函数，因为输入数据必须是一个至少二维的张量
可以关注一下python自带的
numpy数字计算库和torch的数据处理，其实相似度很高
torch.cat((A,B),0)
- 将两个张量（tensor）拼接在一起，第一个参数是两个张量组成的元组，第二个参数是行拼接(1)或者列拼接(0)
- 实例
np.hstack((A,B,C..)) & np.vstack((A,B,C..))
- 将参数元组的元素数组按水平/垂直方向进行叠加，可以和上面的torch.cat比较一下
torch.stack([tensor1, tensor2, tensor3…], dim=0)
- 将几个矩阵按照dim指定维度堆叠在一起
- 实例
np.random.shuffle(x)
- 现场修改序列，改变自身内容。（类似洗牌，打乱顺序）
- 对多维数组进行打乱排列时，默认是对第一个维度也就是列维度进行随机打乱
np.transpose(x)
- 常用于二维数组的转置
torch.div(input, value, out=None)
- 将input逐元素除以标量值value，并返回结果到输出张量out。
plt.scatter(x,y,c='r',s=20,marker=".",lw=2)
matplotlib库中画散点图的函数，注意c这个参数的特别用法- 详解
